异质图对比多视图学习
机器学习
2023-01-03 v2
摘要
受对比学习(CL)在计算机视觉与自然语言处理中成功的启发,图对比学习(GCL)已被发展用于在图数据集上学习有判别力的节点表示。然而,GCL在异质信息网(HINs)上的发展仍处于起步阶段。例如,如何在不实质性改变底层语义的情况下对HINs进行增广,以及如何设计对比目标以充分捕捉丰富语义,均尚不明确。此外,早期研究表明CL存在采样偏差,而传统的去偏技术在GCL上被实证证明不充分。如何缓解异质GCL的采样偏差是另一重要问题。为应对上述挑战,我们提出一种新颖的异质图对比多视图学习(HGCML)模型。具体而言,我们利用元路径作为增广生成多个子图作为多视图,并提出一种对比目标以最大化任意元路径诱导视图对之间的互信息。为缓解采样偏差,我们进一步提出一种正采样策略,通过联合考虑每个元路径视图上保留的语义与结构信息,为每个节点显式选择正样本。大量实验表明,HGCML在五个真实世界基准数据集上持续优于最先进的基线。
引用
@article{arxiv.2210.00248,
title = {Heterogeneous Graph Contrastive Multi-view Learning},
author = {Zehong Wang and Qi Li and Donghua Yu and Xiaolong Han and Xiao-Zhi Gao and Shigen Shen},
journal= {arXiv preprint arXiv:2210.00248},
year = {2023}
}
备注
Accepted by SDM 2023